You are on page 1of 8

Μία πρώτη προσέγγιση στα μεγάλα δεδομένα (Big

Data) και ο ρόλος τους στην διαχείριση των
στερεών αποβλήτων

Α.ΚΟΥΣΚΟΥΡΗΣ

ΑΘΗΝΑ
ΦΕΒΡΟΥΑΡΙΟΣ 2017

Τον τελευταίο καιρό πληθαίνουν ολοένα και περισσότερο οι
συζητήσεις αλλά και τα σεμινάρια γύρω από ορολογίες όπως Big
Data, Data Science, Data Driven strategies. Τι είναι όμως όλα τα
παραπάνω;

Τα Big Data ή αλλιώς «Μεγάλα Δεδομένα», είναι ο τεράστιος όγκος
δομημένων και αδόμητων δεδομένων που είναι σχεδόν αδύνατον να
τα επεξεργαστεί κάποιος με τις παραδοσιακές μεθόδους. Οι
ανάγκες της εποχής και η στροφή ολοένα και περισσότερων
επιχειρήσεων στο ηλεκτρονικό εμπόριο, ενισχύει ακόμα
περισσότερο την παραγωγή δεδομένων. Οι μεγαλύτερες εταιρείες
e-commerce, δέχονται μόλις σε λίγα λεπτά χιλιάδες συναλλαγές
από πελάτες. Φανταστείτε επομένως τι όγκο δεδομένων καλούνται
να χειριστούν καθημερινά.

Τα Big Data, η ενέργεια της συλλογής και αποθήκευσης μεγάλων
ποσοτήτων πληροφοριών για ανάλυση, έχει παρουσιαστεί για τα
θέματα παιδείας, τραπεζών, κυβερνητικής, εμπορίου και υγείας
από τις αρχές του 2000 και τώρα παίρνει τον δρόμο και στη
βιομηχανία της διαχείρισης των αποβλήτων και της ανακύκλωσης.

Με τα Big Data, τα μέλη της βιομηχανίας διαχείρισης αποβλήτων
και της ανακύκλωσης μπορούν να βελτιστοποιούν τις διαδρομές
που θα βασίζονται σε ιστορικά δεδομένα συλλογής για την ΔΣΑ
και ανακύκλωσης, τα οποία βοηθούν στο να μειωθούν οι εκπομπές
έχοντας στο δρόμο μικρότερο αριθμό οχημάτων συλλογής
μεταφοράς αποβλήτων (ΟΣΜΑ), αυξάνοντας την επάρκεια των
λειτουργιών συλλογής και καλύτερης απόδοσης κατά την
λειτουργία.

Στον τομέα των αποβλήτων, τα Big Data βρίσκονται στα πρώτα
στάδια. Υπάρχει σημαντικότερη καινοτομία με κατεύθυνση στην
συλλογή και βελτιστοποίηση των δρομολογίων .
Στο μέλλον, η βιομηχανία θα μπορούσε να χρησιμοποιήσει αυτά τα
δεδομένα για να βελτιώσει τα πράγματα όπως τον προγραμματισμό
των πόρων, την αποτελεσματικότητα των δαπανών κεφαλαίου ή να
έχουν συστηματικά βελτιώσεις στα ποσοστά ανακύκλωσης. "

Αλλά για να κάνουν τα Big Data ένα πολύτιμο εργαλείο, τα μέλη
του κλάδου πρέπει να εξοικειωθούν με την έννοια των Big Data και
πώς μπορούν να χρησιμοποιηθούν.

Τα «Μεγάλα Δεδομένα» προσδιορίζονται από 6 βασικά
χαρακτηριστικά.

Όγκος:

Τα δεδομένα που συλλέγουν οι εταιρείες από διάφορες πηγές
συμπεριλαμβανομένων των επιχειρηματικών συναλλαγών, των
κοινωνικών δικτύων , τις πληροφορίες από αισθητήρες ή των
δεδομένων από μηχανή σε μηχανή. Όσο περισσότερα ιστορικά
δεδομένα συλλέγουν, τόσο τους διακρίνει μεγαλύτερη
διορατικότητα ώστε να λαμβάνουν τις καλύτερες επιχειρηματικές
αποφάσεις. Φανταστείτε εδώ εταιρίες όπως η Αμερικανική Waste
Management , η Γαλλικών συμφερόντων Suez Environment και
πολλές άλλες που λειτουργούν κύρια στον τομέα της συλλογής και
ανακύκλωσης αποβλήτων.

Στο παρελθόν, η αποθήκευση θα είχε πρόβλημα - αλλά οι νέες
τεχνολογίες (όπως το Hadoop) έχουν μειώσει κατά πολύ αυτές τις
δυσκολίες).

Ταχύτητα:

Η ταχύτητα με την οποία παράγονται , αποθηκεύονται ,
επεξεργάζονται και εν γένει τρέχουν τα δεδομένα προκειμένου να
αντιμετωπίσουν τις προκλήσεις ενός ολοένα αναπτυσσόμενου
περιβάλλοντος. Εδώ μάλιστα η δυνατότητα να μπορέσουν να
αναλυθούν σε πραγματικό χρόνο (Real time), ανοίγει για
παράδειγμα ένα νέο τοπίο στην ΔΣΑ και ανακύκλωση. Όσο
μεγαλύτερη η ταχύτητα , τόσο ταχύτερα μπορείς να επεξεργασθείς
τα δεδομένα και να σας βοηθήσουν να δημιουργήσετε έγκαιρες και
ακριβείς αναφορές (Βελτίωση στον προγραμματισμό των πόρων ,
Βελτιστοποίηση στα ποσοστά ανακύκλωσης), στη διαφήμιση: ο
πελάτης που είδε ένα προϊόν στο website μιας εταιρίας αλλά δεν το
αγόρασε και εγκατέλειψε το site, θα μπορέσει να στοχευτεί άμεσα
από την ίδια την εταιρία βλέποντας σε διαφήμιση το προϊόν που
σκεφτόταν μόλις πριν να αγοράσει.

Η ροή των δεδομένων σε μια πρωτοφανή ταχύτητα που
παρουσιάζονται πρέπει να αντιμετωπιστούν έγκαιρα. Οι ετικέτες
RFID, αισθητήρες και έξυπνοι μετρητές οδηγούν στην ανάγκη να
ασχοληθούμε με χείμαρρο δεδομένων σχεδόν σε πραγματικό χρόνο.

Ποικιλία:

Τα δημογραφικά δεδομένα. Όσο περισσότερα ποικίλα δεδομένα
διαθέτετε για τους πελάτες σας τόσο περισσότερα θα μάθετε για
τους πελάτες σας και τις ανάγκες τους.

Τα δεδομένα έρχεται σε όλους τους τύπους των formats - από
δομημένα, αριθμητικά δεδομένα σε παραδοσιακές βάσεις
δεδομένων σε μη δομημένα έγγραφα κειμένου, e-mail, βίντεο,
audio, δεδομένων και των οικονομικών συναλλαγών.

Μεταβλητότητα

Τα δεδομένα αλλά και το νόημά τους διαρκώς αλλάζει. Αυτό
σημαίνει ότι μπορεί μία λέξη που κατά βάση έχει θετική σημασία,
μπορεί να χρησιμοποιηθεί με τρόπο που να υποδηλώνει μία
αρνητική έκφραση. Για παράδειγμα η φράση «Τέλεια τα πήγες
σήμερα!» υποδηλώνει θετική στάση ενώ η φράση «Τέλεια... έχασα
ένα διήμερο να προσπαθώ για κάτι που δεν το χρησιμοποίησες
ποτέ» υποδηλώνει κάτι το αρνητικό. Επομένως το «τέλεια» δεν
αρκεί μόνο του για να καταλάβουμε αν η άποψη που διατυπώνεται
είναι θετική αλλά χρειάζεται να διαβάσουμε όλη τη φράση για να
καταλάβουμε το νόημα. Με την «έκρηξη» των social media, η
«ανάλυση συναισθήματος» είναι μία νέα πρόκληση για τις εταιρίες
αλλά και για τα πολιτικά πρόσωπα, που προσπαθούν να καταλάβουν
μέσα σε εκατομμύρια αναρτήσεις αν η γνώμη που εκφράζεται
ερμηνεύεται ως αρνητική, θετική ή ως ουδέτερη μέσα από
αυτόματο εντοπισμό. Παρά τη δυσκολία, ήδη κάποιες εταιρίες
προσπαθούν να εφαρμόσουν μηχανισμούς ανάλυσης των απόψεων
των χρηστών που θέτονται καθημερινά στα social media.

Εκτός από τις αυξανόμενες ταχύτητες και τις ποικιλίες των
δεδομένων, οι ροές δεδομένων μπορεί να είναι ιδιαίτερα ασταθείς
με περιοδικές αιχμές. Είναι κάτι trending στα social media;
Καθημερινά, εποχιακά πυροδοτούνται φορτία αιχμής από δεδομένα
που μπορεί να είναι δύσκολο να τα διαχειριστείς. Ακόμα
περισσότερο με μη δομημένα δεδομένα.

Ακρίβεια

Η αξιοπιστία και τα διαφορετικά επίπεδα της συχνότητας με την
οποία συλλέγονται τα δεδομένα. Τα δεδομένα πρέπει να
ενοποιηθούν, ορθά, με συνέπεια , προκειμένου να καθορίσουν τις
σωστές επιχειρηματικές αποφάσεις.

Τα μεγάλα δεδομένα δεν έχουν νόημα αν δεν είναι ακριβή τα
στοιχεία. Η ποιότητα των δεδομένων θα επηρεάσει επομένως την
ανάλυση. Φανταστείτε να είχατε με κάποιο τρόπο τα στοιχεία
συμπεριφοράς ενός χρήστη και να θέλατε να βγάλετε αυτόματα μία
απόφαση για την πρόθεση αγοράς του. Αν τα στοιχεία που είχατε
ήταν ανακριβή, τότε και η ανάλυση που θα γινόταν, δεν θα ήταν
ποιοτική και ακριβής.

Υπάρχει πολυπλοκότητα γιατί τα σημερινά στοιχεία προέρχονται
από πολλές πηγές, γεγονός που καθιστά δύσκολο να συνδεθούν να
καθαρισθούν και να μετατρέψεις τα δεδομένα σε όλα τα
συστήματα. Ωστόσο, είναι απαραίτητο να συνδεθούν και να
συσχετισθούν οι σχέσεις ιεραρχίας και πολλαπλών συνδέσεων
δεδομένων ή των συνδέσεων δεδομένων γιατί μπορεί γρήγορα να
ξεφύγει από κάθε έλεγχο.

Αξία

Τα δεδομένα δεν έχουν αξία αν δεν μπορούμε να τα μετατρέψουμε
σε αξία. Οπωσδήποτε κάποιοι από εμάς έχουμε δει την αξία τους,
μιας και θα έχουμε χρησιμοποιήσει την εφαρμογή της κίνησης
στους δρόμους σε πραγματικό χρόνο.
 Στη formula 1 σε κάθε όχημα μπορεί να υπάρχουν
αισθητήρες που παράγουν χιλιάδες δεδομένα: από την πίεση
στα λάστιχα μέχρι και από την αποδοτικότητα του καύσιμου.
Τα δεδομένα αυτά μεταφέρονται στους κατάλληλους
ανθρώπους οι οποίοι τα αναλύουν και κρίνουν τι προσαρμογές
θα χρειαστεί να γίνουν στο όχημα για να μπορέσει να έχει
περισσότερες πιθανότητες να κερδίσει ο οδηγός τον αγώνα.

 Στο χέρι μας, μπορεί να φοράμε smartwatches με αισθητήρα
που μπορεί να μετράει τους παλμούς μας ακόμα και τα
βήματα που κάνουμε κάθε μέρα.

 Πολλά online sites γνωριμιών χρησιμοποιούν αλγόριθμους
για να μπορέσουν να βρουν ποιο θα ήταν το προφίλ που θα
ταίριαζε περισσότερο στον χρήστη να γνωρίσει.

 Στον αθλητισμό μέσα από κάποιους αισθητήρες, τα Βig Data
μπορούν να χρησιμοποιηθούν για να βελτιωθεί η εξάσκηση
των παιχτών αλλά ακόμα και να καταλάβουν τους αντιπάλους
τους. Μπορεί ακόμα να γίνει και πρόβλεψη του νικητή σε ένα
παιχνίδι ή ακόμα και να μπορέσει να προβλεφθεί η μελλοντική
απόδοση. Έτσι ακόμα και ο μισθός ενός παίχτη μπορεί να
βασιστεί πάνω στη συλλογή των δεδομένων μιας χρονιάς.

Χρειάζονται επομένως καινοτόμες και αποδοτικές μορφές
επεξεργασίας των μεγάλων δεδομένων αφού ο όγκος είναι
τεράστιος και για εμάς σημασία έχει να μπορέσουμε να
ξεχωρίσουμε τη χρήσιμη πληροφορία. Εδώ επεμβαίνει ο Data
Scientist - που είναι πλέον μία από τις πιο περιζήτητες ειδικότητες
- αφού η δουλειά του είναι να αναλύσει τα Big Data και να βγάλει
χρήσιμα συμπεράσματα. Ο Data Scientist θα χρειαστεί να έχει ένα
συνδυασμό προγραμματιστικής γνώσης, στατιστικής γνώσης αλλά
και θα πρέπει να μπορεί να μεταφέρει τα χρήσιμα συμπεράσματα με
τρόπο που θα γίνει κατανοητό και σε άλλα τμήματα πέραν του IT.

Επομένως, η υιοθέτηση μιας ολοκληρωμένης στρατηγικής γύρω
από τα Big Data, θα δώσει σημαντικό πλεονέκτημα σε μία
επιχείρηση αφού θα μπορεί να διαχειρίζεται τα δεδομένα της με ένα
πολύ αποτελεσματικό τρόπο και να λάβει σημαντικές αποφάσεις
πάνω σε data driven στρατηγικές οι οποίες στηρίζονται σε
συμπεράσματα που έχουν εξαχθεί πάνω στον όγκο δεδομένων και οι
οποίες θα οδηγήσουν σε ακόμα μεγαλύτερη βελτιστοποίηση των
διάφορων πρακτικών marketing.
Η βιομηχανία των αποβλήτων και η ανακύκλωση είναι πολύ
ανταγωνιστική, γεγονός που το καθιστά εύκολο στις επιχειρήσεις
να βρουν τι είναι μόδα στη βιομηχανία και να τρέξει με αυτό.

Ένα άλλο trend θέμα στη συζήτηση για τα Big Data είναι το
Διαδίκτυο των πραγμάτων (IoT), το οποίο είναι ένα δίκτυο φυσικών
αντικειμένων ενσωματωμένων με την ηλεκτρονική, το λογισμικό,
αισθητήρες και συνδεσιμότητα δικτύου για τη συλλογή και
ανταλλαγή δεδομένων. IoT σταδιακά τόσο στην συλλογή όσο και
στην ανακύκλωση αποβλήτων , επειδή οι εταιρείες θέλουν να
παρακολουθούν καλύτερα τα αποτελέσματα και να τα οδηγούν
μέσα στην επιχείρησή τους για να κερδίσουν καλύτερα
αποτελέσματα σε διάφορους τομείς, όπως η συλλογή και η
βελτιστοποίηση διαδρομών.

Το Internet των πραγμάτων (IoT) είναι ένα υποσύνολο των Μεγάλων
Δεδομένων. To εύκολο είναι η συλλογή των δεδομένων και το πιο
δύσκολο μέρος είναι να τα θέσεις σε τέτοια μορφή που να μπορεί να
έχει νόημα και να μπορούν να τα επεξεργασθούν , κατά τέτοιο
τρόπο που να παρέχουν καλύτερα αποτελέσματα στις
επιχειρησιακές ανάγκες των επιχειρήσεων.

Το Internet των πραγμάτων θα βοηθήσει την βιομηχανία να ελέγχει
και αντιλαμβάνεται πράγματα με τέτοιο τρόπο που δεν καθίστατο
δυνατό να επιτευχθεί πριν.

Big Data and Urban Waste Management
https://www.youtube.com/watch?v=opzg2JTxPBg

Waste Management Using Big Data (Fall 2015)

https://www.youtube.com/watch?v=Qe9yj1dut5U

Big Data: Innovation and Ideas for a Smarter City

https://www.youtube.com/watch?v=yHQrCVRJMa0

https://data.cityofnewyork.com/
bigdatawastemanagement.weebly.com

A Framework of Developing a Big Data Platform for Construction
Waste Management: A Hong Kong Study

http://link.springer.com/chapter/10.1007/978-981-10-0855-9_94

big data in waste industry

https://www.google.gr/search?
q=big+data+in+waste+industry&oq=big+data+&aqs=chro
me.0.69i59j69i60j69i59j69i57j69i59j0.6650j0j4&sourceid=ch
rome&ie=UTF-8#q=big+data+in+waste+industry&start=10

http://hortonworks.com/big-data-insights/improving-waste-
management-with-big-data/